问答详情

如何对招聘数据进行分析?

1106次观看
标签: 招聘数据 招聘数据分析
老师回答

1、过程数据

过程数据分析是对招聘流程进行优化和持续改进,过程数据的分析,我们可以直接采用漏斗图进行不同维度的分析,例如招聘团队、公司、部门、岗位、时间等维度。

2、结果数据

结果数据也是招聘KPI,它直接反映人力资源部门或者招聘团队的工作效果,甚至决定着人力资源部门或招聘团队能否跟上公司的发展节奏。

我们可以根据招聘计划完成率来调整招聘工作或者对其它模块工作提出改进建议,例如通过分析,我们得出招聘计划完成率最低的5个岗位,我们可以重点建立几个岗位的人才库储备人员、通过一系列措施留人、开展师带徒项目或后备人才项目提前储备人员等。

平均招聘周期决定着人力资源部门或招聘团队能否快速的把人员招聘到位,以便及时开展工作或接替离职人员工作。

3、渠道数据

渠道数据主要是分析各个招聘渠道的优劣以及在什么情况下采用何种招聘渠道最有效。渠道数据的分析主要是以招聘渠道维度来分析过程指标以及结果指标,同时可以结合部门、岗位、职级等维度来得到特定情况下最有效的招聘渠道。

例如我们可以来分析各个招聘渠道录用人数点录用总人数的比率,如果结合岗位维度,我们会发现招聘渠道1是招聘某岗位最好的渠道。

我们还可以通过各个招聘渠道的对比,来分析招聘成本支出情况。

如果再结合人均招聘成本情况,我们会发出使用最多的网络招聘成本最低,而现场招聘、校园招聘的成本是非常高的。再结合录用人数和录用率的对比,我们可以通过年度招聘计划来做一个最优招聘渠道组合,在这个基础上安排我们全年的招聘工作。

4、成本数据

招聘工作并不是无休止的投入,如果不计成本的投入,相信招聘工作也就非常好做,所以招聘成本指标是我们必须要关注的一项指标。

通过实际支出与预算的对比,来分析招聘预算做的是否合理、年度招聘计划是否符合实际情况等。

通过人均招聘成本的分析,可以有针对性的提出改进性措施,降低招聘成本提高招聘效果,结合公司、部门、岗位、职级、招聘渠道等维度可以有效的分析出问题。

免费直播

    相关推荐
    最常用的四种大数据分析方法有哪些?
    刘老师 数据分析师

    1.描述型分析:发生了什么?

    这是最常见的分析方法。在业务中,这种方法向数据分析师提供了重要指标和业务的衡量方法。

    例如,每月的营收和损失账单。数据分析师可以通过这些账单,获取大量的客户数据。了解客户的地理信息,就是“描述型分析”方法之一。利用可视化工具,能够有效的增强描述型分析所提供的信息。

    2.诊断型分析:为什么会发生?

    描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据,诊断分析工具能够让数据分析师深入地分析数据,钻取到数据的核心。

    良好设计的BI dashboard能够整合:按照时间序列进行数据读入、特征过滤和钻取数据等功能,以便更好的分析数据。

    3.预测型分析:可能发生什么?

    预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值,或者是预估事情发生的时间点,这些都可以通过预测模型来完成。

    预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。

    在充满不确定性的环境下,预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。

    4.指令型分析:需要做什么?

    数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析,来帮助用户决定应该采取什么措施。通常情况下,指令型分析不是单独使用的方法,而是前面的所有方法都完成之后,最后需要完成的分析方法。

    例如,交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素,来帮助选择最好的回家路线。

    数据分析的误区有哪些?
    刘老师 数据分析师

    1、数据分析需要大量投资

    如今,似乎对每一项新技术的投入都必须通过严格的财务支出的筛选过程。“它需要多少费用?”——是IT和业务经理在提议启动项目或部署新工具时需要首先考虑的问题之一。

    有些人认为数据分析本质上是一项代价高昂的工作,因此仅限于拥有大量预算或大量内部资源的企业机构。但是事实并非如此,现在市场上有很多开源工具和其他工具能够帮助展示数据分析的价值;并且基于云系统的大数据架构,也会比传统的数据仓库便宜得多。你只需要明确内部数据存储以及要解决的问题,就可以轻松的在云上使用分析来解决业务问题。

    此外,数据分析通常用于实现三个结果:提高流程效率、实现收入增长和主动进行风险管理,总的来说,数据分析在任何公司的应用中都带来了巨大的成本效益。

    2、你需要“大数据”才能执行分析

    对于许多人来说,大数据和分析的概念是相辅相成的,企业需要在执行分析之前收集大量数据,以便生成业务洞察,改进决策制定等。

    当然,大数据分析的优势也很明确,拥有这些资源的公司利用大数据存储作为促进分析工作的一部分,获得了显着的竞争优势。但是大数据却并不是分析必不可少的搭配。

    分析师需要特定的数据,而不是更多的数据。要想更好地支持决策和提高绩效,企业必须更多的考虑业务用户,确定他们需要访问哪些数据,如何呈现数据,而不是关注更多的数据。95%以上的用户会寻找和他们工作相关的信息来支持他们进行决策,来提高业务表现,所以企业需要以最简单的格式向他们提供这些信息,帮助他们快速定位重要信息。

    3、分析消除了人类的偏见

    自动化系统执行的方式不应该存在偏见,但技术是由人类建立的,因此消除所有偏见几乎是不可能的。

    有些人认为分析和机器学习消除了人类的偏见,不幸的是,这并没有实现。算法和分析使用“训练数据”进行调整,并将重现“训练数据”所具有的任何特征,在某些情况下,这会在分析过程中引入良性偏见,但也有可能带来更严重的偏见——因为“算法这么说”并不意味着答案是公平的或者有用的。

    4、最好的算法意味着绝对的胜利

    事实证明,有了足够的数据,有时算法无关紧要。谷歌的工程师认为,数据有着不合理有效性 ,简单的统计模型,加上极大量的数据,比包含大量特征和总结的“智能优越模型”能输出更优质的结果。

    因此,在某些情况下,只需处理更大量的数据就可以获得最佳效果。

    5、算法是安全的

    人们固执地信任统计模型和算法,并且随着分析程序的组织构建,他们会越来越依赖复杂的模型来支持决策。这或许是因为用户并不觉得他们有能力挑战模型,因此他们必须相信构建它们的“聪明人”。

    比如,在过去的50到60年里,我们反复听到“人工智能将在20年内接管人类工作”的言论,现在也还是有人反复强调这种观点。在我们可以完全信任机器学习和它们输出的结果之前,还有很多事情要做。在那之前,我们需要挑战构建算法和模型的人,让他们解释如何得到答案。这并不是说我们不能依赖于结果,而是说我们需要透明度,这样我们才可以信任和验证分析结果。

    注册电脑版

    版权所有 2003-2020 广州环球青藤科技发展有限公司